颂雅风的博客

一句话摘要：项目整合管理是龙头，范围、进度、成本、质量是四大核心约束，资源、沟通、风险、采购是四大支撑，干系人管理贯穿始终——掌握十大领域的过程框架、高频考点与易错点，是通关软考高项的关键。 0. 十大知识领域全景图 领域 核心过程 高频考点 易错点 整合管理 制定章程→制订计划→指导与管理→管理知识→监控→整体变更控制→结束 章程作用、变更控制流程、基准变更 章程≠合同；责任不可授权 范围管理 规划→收集需求→定义→创建WBS→确认→控制 WBS 100%原则、范围基准组成 产品范围vs项目范围；蔓延vs镀金 进度管理 规划→定义活动→排列顺序→估算→制订计划→控制 CPM计算、三点估算、关键路径 赶工vs快速跟进；储备类型 成本管理 规划→估算→预算→控制 挣值分析、储备管理、成本类型 成本基准vs项目预算；沉没vs机会 质量管理 规划→管理→控制 质量成本、七种工具、质量与等级 预防vs检查；公差vs控制界限 资源管理 规划→估算→获取→建设→管理→控制 团队5阶段、激励理论、冲突解决 权力来源分类；X/Y理论误用 沟通管理 ...

一句话摘要：在 stock-mcp-gateway 上两天内开发了持仓风险诊断、相关性矩阵、组合全景报告、调仓建议、个股评分、市场总览六个组合工具。本文拆解开发中遭遇的六个真实坑——从并行缓存竞态到跨市场日期对齐——以及每个坑的修复方案。 1. 缘起 — 工具是做不完的我的 stock-mcp-gateway 是一个 Cloudflare Workers 上的 MCP（Model Context Protocol）网关，提供股票行情、技术分析、资金流向等基础数据工具集。每个工具职责单一、数据源明确——get_realtime_quote 负责行情，get_technical_analysis 负责技术指标，get_kline 负责 K 线数据。 但用户的需求从来不是”给我茅台的历史 K 线”，而是”我的持仓怎么样？该不该调仓？”。 这就意味着我需要组合工具（Composite Tools）——它们不直接从 API 抓原始数据，而是调多个已有工具/API，将数据聚合、计算、分析后返回结构化报告。 2026 年 7 月 27 日到 28 日，我集中开发了 6 个组合工具...

一句话摘要：我的 Education Agent 能用 LLM 自动生成结构化教案，然后让 5 个 AI 评审角色交叉打分，发现问题后自动修改——整个过程无需人工介入。本文拆解它的架构和最关键的”并行提取器”模式。 1. 缘起 — 被催更的 AI 老师几个月前，我在弄一个软考高项（信息系统项目管理师）的备考系统。需求很简单：把教材知识点转化成结构化的学习教案，每个知识点要有概念讲解、案例、练习题、记忆卡片、常见误区…… 一个知识点大概对应教材 1-3 页内容。整本书几百个知识点。手写？不现实。用模板硬套？生成的教案千篇一律，学生看一眼就困。 我需要一个自动备课系统：输入一个知识点，输出一份结构完整、内容扎实、有互动练习的 HTML 教案。而且——它得越写越好，不能原地踏步。 这就是 Education Agent 的起点。 2. 核心方法 — 5 个”老师傅”同时备课我面对的核心问题是：如何让 LLM 稳定产出高质量的教学内容？ 一个大的 LLM 调用（”帮我写一份教案”）往往输出不稳定——有时漏了案例，有时练习题出得太偏。关键是，一个 prompt 里塞太多要求，LLM 会...

引子：一个”顺手”的重构事情要从 stock-mcp-server 的技术分析模块说起。 这个模块负责计算 K 线的各种技术指标：MA、MACD、RSI、布林带……大概 9 种常用指标，服务盘中简报、收盘分析、策略回测三个场景。之前是用手写循环实现的，每算一个指标就要重新造一遍轮子。 某天我看到 MyTT 这个库——一套把通达信公式翻译成 numpy/pandas 向量化实现的工具集。代码简洁得让人心动： 123456# MyTT 风格的 MACDdef MACD(close): DIF = EMA(close, 12) - EMA(close, 26) DEA = EMA(DIF, 9) MACD = (DIF - DEA) * 2 return DIF, DEA, MACD 对比原来的实现——for 循环里套 if-else，每算一个窗口就手动算一次均值——差距简直不忍直视。 我毫不犹豫地开启了重构。 重构前后对比：从 400 行到 200 行先看数据。原模块的手写循环版本大概 400 行，定义了 6 个指标函数。MyTT 重写后降到 2...

引子：一个分析师的大脑里住了几个人？每天收盘后，我需要分析 A 股市场的整体状况，然后逐个诊断持仓组合中的每一只标的——是继续持有？减仓？还是果断止损？每一项决策都涉及大量数据：行情走势、技术指标、资金流向、板块轮动、消息面情绪、宏观环境……信息量远超一个人脑能实时处理的范围。 传统做法是：打开行情软件，翻 K 线，看指标，读新闻，然后靠经验拍脑袋。 但我是搞 AI Agent 的。我自然想问：能不能让 AI 替我做这件事？ 不是简单地”生成一份报告”，而是模拟真实投资决策中的对抗式讨论——毕竟，最扎实的投资决策不是在 consensus 中诞生的，而是在 bull vs bear 的交锋中锤炼出来的。 这就是 多空辩论圆桌（Market Debate Roundtable） 的起源。 问题：为什么单 Agent 分析不够？先看看市面上已有的”AI 股票分析”是什么画风。大多数工具的做法是：输入股票代码 → 调用 LLM → 输出一段分析文本。类似于这样： 12📊 该股近期走势偏弱，MACD 死叉，RSI 处于弱势区，建议观望。支撑位 XX，压力位 XX。 这种分析的问题在...

引子：每个月烧掉一台 MacBook Pro三个月前，我打开飞书账单统计面板，看到了一串让我瞬间清醒的数字： 12026年4月 LLM API 总支出: $1,847.32 我的 AI Agent 每天跑几十次自动化任务——数据清洗、代码审查、市场分析、文章写作——每一次都调用当时能拿到的最强模型。好模型确实出好结果，但每一条对话、每一轮回复，哪怕是用户说了句”好的”都要经过千亿参数模型推理一次。 这种感觉就像：你明明只需要拧个螺丝，却每次都要开一台盾构机过来。 问题是——我没办法在事前判断哪轮对话需要”盾构机”，哪轮只需要”螺丝刀”。直到我想起一个经典的工程思路：操作系统里的多级存储体系。 L1 Cache → L2 Cache → RAM → SSD → HDD 数据访问频率越高，用越快的存储；越冷的数据，用越慢但便宜的介质。 如果 LLM 调用也能这样分层呢？ 简单的闲聊走免费模型，代码编写走中等模型，只有架构设计、安全审查这种深度推理才走最强模型——而且一旦选定，在接下来几轮对话中保持稳定，避免”上下抖动”。 这就是 Smart Router（智能路由） 的出发点：...

引言：凌晨三点，Agent 又挂了凌晨两点五十八分，手机震了一下。 飞书推送：”🔴 CRITICAL: 内存 92.3%（482MB/2GB 可用）—— GC 回收 847 个对象 (0.041s)” 我翻了个身，没理会。三秒后第二条消息进来： “✅ GC 回收完成，内存降至 67.2%” 安心了。两个月前，同样是凌晨三点，我的 AI Agent 正在跑一个 500 只股票的批量回测——已经跑了四个小时，快要出结果了——然后被 Linux OOM Killer 干掉了。四个小时的白工。 第二天我发现时，错误日志只有一行： 1Out of memory: Killed process 1270341 (python3) 没有任何警告，没有抢救机会，连 .py 文件里的 try/except 都没来得及跑。操作系统像关灯一样把进程灭了。 这不是段子。如果你在生产环境跑过 AI Agent——尤其是那些需要几小时才能完成的自动化流程——你大概率也经历过这种”一夜回到解放前”的崩溃。 我们花了大约一个下午，写了一个 180 行的 Python 脚本，给 Agent 装上...

引子：最认真的评审员，总是迟到想象你组建了一个专家评审团：功能专家、安全专家、性能分析师、优化顾问，以及一位”现实检验者”——他的任务是不看任何人的脸色，亲自跑一遍整个系统来验证所有结论。 这位现实检验者确实厉害，他能发现别人发现不了的问题，但他有个毛病：每次都最后一个交卷，有时甚至直接缺席。 这正是我们在对抗式解题法（Adversarial Evaluation）系统中遇到的真实困境。五个判别者并行评审同一份交付物，其他四位在 2-3 分钟内给出详细报告，而现实检验者（Reality Checker）动不动跑 10 分钟然后超时。 第一步：诊断——为什么只有他迟到？ 判别者 SKILL.md 动作指令数 含端到端验证 现实检验者 44个 是（启动服务、curl 测试） 功能审查者 23个 否 安全审查者 7个 否 性能基准师 4个 否 优化师 3个 否 差距一眼可见：现实检验者的动作指令数是其他判别者的 2-11 倍。 原因在它的工作流设计上——它不仅仅做静态代码分析，还要求： 启动 Web 服务，用 curl 做端到端验证 交叉比对 ROA...

引言：那个摔电脑的瞬间上个月我在调试一个自动化脚本，跟 AI 来回拉扯了大概三个小时——把逻辑理顺了、异常处理写好了、连测试用例都跑了一遍。中间接了个电话，回来不小心把页面关了。 再打开，AI 问我：”你好，有什么我可以帮助你的？” 那一刻我真想摔电脑。 这个场景你一定不陌生。AI Agent 的会话无状态是个被严重低估的问题。Demo 里一切都美好——Agent 能自主执行、能调用工具、能分析数据。但一到生产环境，你的浏览器崩了、网络断了、或者只是不小心刷新了页面——一切归零。 你跟 AI 说的上下文、它做了多少步、哪些已经确认过了、下一步要做什么——全不记得。每次重新开始都要从头说起，比我自己干还累。 这还不是最糟的。如果你在跑一个需要数小时的自动化任务（数据清洗、策略回测、批量部署），一次进程崩溃可能导致几个小时的工作白费。 我们花了些时间认真解决了这个问题，最终产出了一个不到 500 行的轻量系统。本文记录它的设计和实现，你可以直接抄走用在自己的项目里。 问题分解：AI Agent 为什么记不住”自己做到哪了”？传统应用程序的状态管理是成熟的——数据库事务、日志重放...

Cloudflare x402全面解读：为AI Agent打造微支付基础设施 引言：AI Agent“不看广告”，传统互联网商业模式正在终结如果你运营过一个热门API或者公开数据源，你一定注意到了这个现象：AI爬虫的请求量可能是真实用户的 100到10,000倍。这些Agent（AI代理）像永不疲倦的读者，批量抓取你的内容，却从不点击广告，也不会忍受你的付费墙——因为他们没有瞳孔、没有耐心，只有代码。 传统的互联网商业模式建立在“注意力经济”之上：广告依赖人类视觉，订阅依赖人类决策。当流量主体从人类变成机器，这套体系开始崩塌。如何为机器对机器的互联网流量设计一个微支付层？ Cloudflare Monetization Gateway（代号 x402）正是回答这个问题的首个生产级方案。它不是又一个加密货币赌场，而是一个建立在HTTP标准之上、面向AI Agent的“即用即付”基础设施。本文将对它进行全面解读，并展示如何用 10行代码 让你的API变成按次收费的“投币机”。 第一章：解构 x402——不只是“402 Payment Required”失踪的HTTP状态码HTTP ...